內容一覽：ScienceAI 作為近兩年的技術熱點，引起了業界廣泛關注和討論。本文將圍繞 ScienceAdvances 的一篇論文，介紹如何利用機器學習，對燃煤電廠的胺排放量進行預測。
關鍵詞：AI for Science 化學工程 胺排放
國際能源署公佈的報告顯示，2021 年全球能源相關的CO2排放量較 2020 年增長 6%，達到 363 億噸，創歷史新高。
其中 CO2排放量增幅最大的是發電和供熱行業，增幅超過 9 億噸，佔全球 CO2排放量增幅的 46%。控制並減少發電及供熱行業 CO2排放量刻不容緩。
2021 年各行業 CO2排放量的年度變化
藍色表示年度變化，紅點表示淨變化
查看 2021 全球 CO2排放完整報告：
https://www.iea.org/reports/global-energy-review-co2-emissions-in-2021-2
碳捕捉：減少溫室氣體排放、實現變廢為寶
在《中國電力行業碳達峰、碳中和的發展路徑研究》中，行業專家給出了降低電力行業 CO2排放量的三種改變措施：
1、大力發展風電、水電、核電等低碳電源，拋棄煤電、油電等高碳電源
2、對於燃煤電廠，用天然氣、秸稈、生物質等低碳燃料，代替煤炭進行發電
3、利用碳捕捉技術，對燃煤電廠排放的 CO2進行捕捉利用
其中，碳捕捉因為改造幅度小、想象空間大、具備變廢為寶的能力，備受商業公司、能源公司以及電力行業科研院所的關注。
電廠中的碳捕捉設備
碳捕捉是指利用 CO2和胺類物質發生反應，捕捉電廠釋放到大氣中的 CO2並進行壓縮，封存至枯竭的油田、天然氣領域，或其他安全的地下場所，供後續石油開採、冶煉、汽車等產業利用。
然而，CO2在與胺類物質發生反應的過程中，也會產生危害公共健康和生態系統的胺排放，有效監控並預測不同電廠的胺排放，成為碳捕捉的一大難點。
近日，由洛桑聯邦理工學院和赫瑞瓦特大學組成的研究小組，開發出了一種機器學習方法，可依據電廠過往資料，更準確地預測碳捕捉過程中胺類有害氣體的排放量。目前該論文已發表在 ScienceAdvances 上。
完整論文請訪問：
https://www.science.org/doi/10.1126/sciadv.adc9576#sec-2
論文詳解：用機器學習技術解決化學問題
1、先導工場試驗
碳捕捉工場非常複雜，因為過程模型 (process model) 通常側重於捕捉 steady-state 運行。然而，當前和未來發電廠的設計和運行，需要考慮到可再生能源發電份額的增加，這種增加是間歇性的、不規律的，因此還需要考慮到 steady-state 之外運行的動態和多變數行為。
為了模擬未來電廠運行的間歇性，科研人員對德國 Niederaußem 發電廠先導工場 (pilot plant) 的捕獲裝置，進行了一系列壓力測試，試圖發現電廠間歇性運行與胺排放量的關係。
Niederaußem 燃燒後碳捕捉先導工場的簡化流程示意圖
實驗雖然積累了大量捕捉工場行為的資料，但無法利用這些資料定性預測未來的胺排放，因為除壓力測試外，實驗過程中還存在另一變數–電廠專業人員的干預，以確保實驗期間工場的安全運行。
2、獲取資料集
先導工場實驗中，科研人員每 5 分鐘進行一次資料採集，積累了龐大的資料量，如何把這些資料轉化成可供機器學習模型使用的資料集，成為研究重點。
科研人員的方法是把 time-dependent 過程及排放資料，表示成圖像（資料矩陣），基於此創建預測模型，然後藉助機器學習技術進行模式識別，預測胺排放。
在這種表示法中，工場在給定時間 t 定義了一個 state 特徵向量 x(t)，其中 p 元素表示過程變數（如煙氣溫度和水洗溫度)。
取 t 個時間戳的工場 state 向量，得到一個 t × p 的矩陣。這個矩陣可以被看作是一個「圖像」，與未來的排放曲線 y(t) 相連。
資料表示示意圖
本實驗中用到的資料可以看作一張「圖像」，其中：
寬度=輸入序列 (T) 的長度
高度=參數數量 p
顏色=參數 xj 在某個時間 ti 的值
接下來，將工場歷史圖像中的 pattern，與特定的未來排放進行聯繫。為此，科研人員採用了梯度增強的決策樹模型，將描述不同參數和排放量的行 (row) 合併為一個長向量。用分位數損失 (quantile loss) 訓練模型，以獲得不確定性評估 (uncertainty estimate)。
評估不確定性時，科研人員採用了支持蒙特卡洛 dropout 的時間卷積神經網路 (temporal convolutional neural network) ，並在 note S8 中展示用這個模型獲得的結果。
有了這個資料集，就可以藉助資料科學方法，開發一個機器學習模型進行資料分析。
3、從機器學習中洞悉胺排放
接下來，就可以用機器學習模型進行以下預測：
1、未來排放量（實時）：基於歷史 & 當前的運行和排放，預測未來 x 小時的排放量是多少
2、資料的 Causal impact 分析：測量特定壓力測試對胺排放的影響，需要一個 baseline，提供在沒有壓力測試情況下的胺排放
3、減少胺排放：用模型預測「假設」情況下的排放量，如降低水洗溫度是否會對排放量產生影響
利用機器學習模型預測
未來 2 分鐘、1 小時、2 小時的胺排放量
90 後學霸博士，深耕化學 8 年
本篇論文由洛桑聯邦理工學院基礎科學學院的 Berend Smit 教授和蘇格蘭赫瑞瓦特大學碳解決方案研究中心教授 Susana Garcia 共同領導的科研小組發佈。
其中，開發機器學習方法，將胺排放問題轉化為模式識別問題的學生，正是 Smit 教授小組的 90 後博士生 Kevin Maik Jablonka。
該論文的一作 Kevin Maik Jablonka
Kevin 本科就讀於德國慕尼黑工業大學化學專業，2017 年本科畢業後，Kevin 進入瑞士洛桑聯邦理工學院繼續碩士和博士學習，在化學領域繼續深造。
從 2014 年至 2022 年，Kevin 用了 8 年時間建立了對化學及化學工程的深刻理解，期間還通過對應用資料科學、機器學習的學習，將化學研究與人工智慧進行融合，提升了化學工程領域研究的效率和準確度，是一位妥妥的 90 後學霸。
誠如多位化學領域的資深人士所說，機器學習在化學及過程工程 (process engineering) 領域，可能產生比計算機視覺領域更大的影響。
在 CV 應用場景中，模型學習的圖像基本特徵，往往與人類大腦感知圖像的方式密切相關，如目標檢測、臉部辨識。
然而在工業場景中，人類往往缺乏對基本機制的了解，但通過機器學習，科研人員發現了從參數到目標觀察物對映的基本規則，並對迄今無法預測的現象進行了預測。
在預測電廠胺排放這一案例中，機器學習超越傳統方法，被認為是提供了一種觀察複雜化學過程的全新視角，極有可能徹底改變未來燃煤電廠的運行方式。
人工智慧將更多地應用於基礎科學研究，為其提供動力、提升效率、加速科研成果落地。你如何看待 AI for Science 下半場的發展？它將帶來哪些突破，又會面臨怎樣的挑戰？歡迎留言分享你的觀點和看法~
